斯坦福 CS 329Z 讲座：AI Agent 评测基准如何设计

斯坦福 CS 329Z 第 13 讲系统梳理了语言模型评测从 SQuAD、GLUE 到 MMLU、Humanity's Last Exam 的演进，以及 Agent 类评测从 AlpacaEval 到 AIR-Bench 的发展。